采用多搜索模式的粒子群算法.pdfVIP

第 ３６ 卷 第 ２ 期 桂 林 理 工 大 学 学 报 Ｖｏｌ.３６ Ｎｏ.２ ２０１６ 年 ５ 月 Ｊｏｕｒｎａｌ ｏｆ Ｇｕｉｌｉｎ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｔｅｃｈｎｏｌｏｇｙ Ｍａｙ　２０１６  文章编号：１６７４ －９０５７（２０１６）０２ －０４０２ －０８　　　　　 ｄｏｉ：１０.３９６９ ／ｊ.ｉｓｓｎ.１６７４ －９０５７.２０１６.０２.０３６ 采用多搜索模式的粒子群算法 张呈志，王　勇，李海滨 （广西民族大学 ａ.信息科学与工程学院；ｂ.广西高校复杂系统与智能计算重点实验室，南宁　５３０００６） 摘　要：从现实中鸟的搜索方式中得到灵感，提出一种新的变异粒子群算法，称之为采用多搜索模式的粒 子群优化算法（ＭＭＰＳＯ）。该算法中的每个粒子使用 ３ 种搜索模式在搜索空间中搜索食物，可随时调整其搜 索方式。在数值仿真实验中选择了几个比较典型的高维复杂优化问题用来测试算法的性能。结果表明：算 法的全局搜索能力和避免粒子陷入局部最优的能力都得到了明显提高，在一定程度上避免了早收敛现象的 发生，可用于求解高维复杂函数的优化问题。 关键词：粒子群算法；多搜索模式；ＭＭＰＳＯ 中图分类号：ＴＰ１８　　　　 　　　　　　　　　　　文献标志码：Ａ 子群算法（ＵＰＳＯ）；魏波等［２０］提出基于稳定策略的 ０　引　言 ［２２］ 粒子群优化算法（ＳＳＰＳＯ）；高哲等 提出一种基 粒子群优化算法 （ｐａｒｔｉｃｌｅ ｓｗａｒｍ ｏｐｔｉｍｉｚａｔｉｏｎ， 于平均 速 度 的 混 合 自 适 应 粒 子 群 算 法；杜 继 永 ＰＳＯ）［１］是 Ｋｅｎｎｅｄｙ 和 Ｅｂｅｒｈａｒｔ 于 １９９５ 年???同提出 等［２３］提出一种具有初始化功能的自适应惯性权重 的一种基于群体智能的并行优化算法。由于 ＰＳＯ 粒子群算法（ＩＡＷ-ＰＳＯ）；喻飞等［２４］提出一种去个 算法具有理论方法简单、设置参数少、易于编码实 性化理论的粒子群算法（ＤＴＰＳＯ）；朱庆保等［２５］提 现等特点，且在复杂优化问题、工程等方面也得到 出一种求解动态连续优化的分层粒子群算法（ＬＤＰ- 了广泛应用，因而自 ＰＳＯ 算法提出以来，越来越受 ＳＯ）；文献［２６ －２７］提出了将差分进化与 ＰＳＯ 相 到学者 们 的 关 注；但 与 其 他 随 机 搜 索 算 法 相 似， 结合的混合优化方法；文献［２８ －２９］提出了将遗 ＰＳＯ 算法也存在早熟收敛的不足。针对标准 ＰＳＯ 传算法（ＧＡ）与 ＰＳＯ 相结合的混合优化方法；文献 存在的不足，不少学者对 ＰＳＯ 开展了较为深入的 ［３０］提出了将蚁群算法（ＡＣＯ）与 ＰＳＯ 相结合的混 研究，提出了多种 ＰＳＯ 改进策略［２ －３０］，取得了不 合优化方法等等。 少研究成果。例如：吕振肃等［８］提出一种基于群 以上改进策略归纳起来主要有：１ ）控制惯性 体适 应 度 方 差 自 适 应 变 异 的 粒 子 群 优 化 算 法 权重、学习因子、飞行速度等参数，以平衡算法的 （ＡＭＰＳＯ）；赫然等［９］提出一种改进的自适应逃逸 全局搜索与局部搜索能力；２）引入一些使算法能 微粒群算法